翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# SageMaker Training Compiler に関してよくある質問
<a name="training-compiler-faq"></a>

**重要**  
Amazon Web Services (AWS) は、SageMaker Training Compiler の新しいリリースやバージョンがないことを発表しました。SageMaker Training では、既存の AWS Deep Learning Containers (DLC) を通じて SageMaker Training Compiler を引き続き使用できます。既存の DLCs は引き続きアクセス可能ですが、 [AWS Deep Learning Containers Framework サポートポリシー](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/support-policy.html)に従って AWS、 からパッチや更新を受け取ることはできなくなります。

次の FAQ 項目を使用すると、SageMaker Training Compiler についてよくある質問に対する回答を見つけることができます。

**Q. どうすれば SageMaker Training Compiler が動作していることがわかりますか。**

SageMaker Training Compiler でトレーニングジョブが正常に起動されると、次のログメッセージが表示されます。
+ `TrainingCompilerConfig(debug=False)` の場合

  ```
  Found configuration for Training Compiler
  Configuring SM Training Compiler...
  ```
+ `TrainingCompilerConfig(debug=True)` の場合

  ```
  Found configuration for Training Compiler
  Configuring SM Training Compiler...
  Training Compiler set to debug mode
  ```

**Q. SageMaker Training Compiler で高速化できるのはどのモデルですか。**

SageMaker Training Compiler は Hugging Face の transformer ライブラリで最も一般的な深層学習モデルをサポートしています。コンパイラがサポートするほとんどの演算子を備えているため、これらのモデルは、SageMaker Training Compiler を使用して、より速くトレーニングできます。コンパイル可能なモデルには、次のものが含まれますが、これらに限定されません。`bert-base-cased`、`bert-base-chinese`、`bert-base-uncased`、`distilbert-base-uncased`、`distilbert-base-uncased-finetuned-sst-2-english`、`gpt2`、`roberta-base`、`roberta-large`、`t5-base`、`xlm-roberta-base`。コンパイラは、ほとんどの DL 演算子とデータ構造で動作し、テスト済みのモデル以外にも多くの DL モデルを高速化できます。

**Q. テストされていないモデルで SageMaker Training Compiler を有効化するとどうなりますか。**

テストされていないモデルについては、まずトレーニングスクリプトを SageMaker Training Compiler に適合するよう変更する必要がある場合があります。詳細については、「[独自の深層学習モデルを持ち込む](training-compiler-modify-scripts.md)」を参照のうえ、トレーニングスクリプトの準備方法の手順に従ってください。

トレーニングスクリプトを更新したら、トレーニングジョブを開始できます。コンパイラはモデルのコンパイルに進みます。ただし、テストされていないモデルでは、トレーニング速度は増加せず、ベースラインと比較して減少する場合さえあります。スピードアップの利点を得るには、`batch_size` および `learning_rate` などのトレーニングパラメータの再調整が必要な場合があります。

テストされていないモデルのコンパイルに失敗すると、コンパイラはエラーを返します。失敗の種類とエラーメッセージの詳細については、「[SageMaker Training Compiler のトラブルシューティング](training-compiler-troubleshooting.md)」を参照してください。

**Q. SageMaker Training Compiler を使用するとトレーニングジョブを必ず高速化できますか。**

必ずしもそうとは言えません。まず、SageMaker Training Compiler は、進行中のトレーニングプロセスを高速化する前に、コンパイルオーバーヘッドを追加します 最適化されたトレーニングジョブは、トレーニングジョブの開始時に、この増分のコンパイルオーバーヘッドをならして埋め合わせるのに十分な長さ実行する必要があります。

さらに、すべてのモデルトレーニングプロセスと同様に、最適とは言えないパラメータを使用したトレーニングでは、トレーニング時間が長くなり得ます。SageMaker Training Compiler は、例えば、ジョブのメモリフットプリントを変更することによって、トレーニングジョブの特性を変更する場合があります。これらの違いにより、トレーニングをスピードアップするためにトレーニングジョブのパラメータを再調整する必要がある場合があります。さまざまなインスタンスタイプおよびモデルを使用するトレーニングジョブに最適なパフォーマンスパラメータを示すリファレンステーブルが、「[テスト済みモデル](training-compiler-support.md#training-compiler-tested-models)」に記載されています。

最後に、トレーニングスクリプトのコードによっては、オーバーヘッドが追加されたり、コンパイルされた計算グラフが壊されたりして、トレーニングが遅くなることがあります。カスタマイズされたモデルまたはテストされていないモデルで作業する場合は、「[PyTorch/XLA を用いた SageMaker Training Compiler の使用のベストプラクティス](training-compiler-pytorch-models.md#training-compiler-pytorch-models-best-practices)」にある手順を参照してください。

**Q. SageMaker Training Compiler では、より大きなバッチサイズを必ず使用できますか。**

バッチサイズは、すべてのケースではありませんが、ほとんどのケースで増加します。SageMaker Training Compiler による最適化によって、メモリフットプリントなどのトレーニングジョブの特性が変わり得ます。通常、Training Compiler のジョブは、ネイティブフレームワークを使用したコンパイルされていないトレーニングジョブよりも少ないメモリを占有します。これにより、トレーニング中のバッチサイズを大きくできます。バッチサイズが大きくなり、それに応じて学習レートが調整されると、トレーニングのスループットが向上し、総トレーニング時間が短縮されます。

ただし、SageMaker Training Compiler が最適化スキームに基づいて実際にメモリフットプリントを増やす場合もあります。コンパイラは、解析コストモデルを使用して、計算負荷の高い演算子にとって実行コストが最も低い実行スケジュールを予測します。このモデルにより、メモリ使用量を増加させる最適なスケジュールを見つけることが可能です。この場合、バッチサイズを大きくすることはできませんが、サンプルのスループットは依然として高くなります。

**Q. SageMaker Training Compiler は、SageMaker AI 分散トレーニングライブラリや SageMaker デバッガーなど、他の SageMaker トレーニング機能と連動しますか。**

SageMaker Training Compiler は現在、SageMaker AI の分散トレーニングライブラリには対応していません。

SageMaker Training Compiler は、SageMaker デバッガーには対応していますが、デバッガーはオーバーヘッドを増やすことで計算性能を低下させる可能性があります。

**Q. SageMaker Training Compiler はカスタムコンテナ (独自のコンテナを持ち込むこと) をサポートしていますか。**

SageMaker Training Compiler は AWS Deep Learning Containers を通じて提供され、コンテナのサブセットを拡張してユースケースに合わせてカスタマイズできます。 AWS DLCs から拡張されたコンテナは、SageMaker Training Compiler でサポートされています。詳細については、「[Supported Frameworks](https://docs.aws.amazon.com/sagemaker/latest/dg/training-compiler-support.html#training-compiler-supported-frameworks)」および「[SageMaker AI Python SDK の使用と SageMaker AI フレームワーク深層学習コンテナの拡張](training-compiler-enable-tensorflow.md#training-compiler-enable-tensorflow-sdk-extend-container)」を参照してください。さらにサポートが必要な場合は、[AWS サポート](https://console.aws.amazon.com/support/)または [Amazon SageMaker AI のAWS デベロッパーフォーラム](https://forums.aws.amazon.com/forum.jspa?forumID=285)を通して、SageMaker AI チームに連絡してください。